MODELOS U-NET Y REDES GENERATIVAS ADVERSARIAS PARA LA ELIMINACIÓN DE PELO EN IMÁGENES DERMATOSCÓPICAS CON LESIONES CUTÁNEAS

Abstract

Durante las últimas décadas, los casos de cáncer de piel (CP), especialmente el CP de tipo melanoma (CPM), han mostrado un aumento alarmante a nivel mundial. Representando aproximadamente el 5% de todos los tumores de piel, el CPM es conocido por su agresividad y alta tasa de mortalidad, contribuyendo con 55,000 muertes anuales por cáncer.

El avance tecnológico ha transformado el campo clínico, revolucionando la recolección y análisis de datos, y facilitando el desarrollo de métodos basados en aprendizaje profundo (DL, del inglés Deep Learning). Además, la dermatoscopia digital se ha convertido en una herramienta valiosa para los dermatólogos, proporcionando imágenes del alta calidad para el diagnóstico de lesiones. Sin embargo, la presencia de pelo en imágenes dermatoscópicas (ID) a menudo dificulta la interpretación de textura y color, impactando negativamente en el diagnóstico.

El objetivo de este Trabajo de Fin de Grado (TFG) es doble: primero, desarrollar un método para la detección y eliminación de pelo en ID mediante el uso de modelos avanzados de DL; segundo, demostrar la importancia de la eliminación de pelo en ID para mejorar tanto la detección como los resultados en la clasificación de CPM.

Para lograr estos objetivos, se han utilizado cinco fuentes de datos públicas: CA, para segmentación de pelo; AGH, para eliminación de pelo; ISIC-2020, PH2 y Derm7pt, para clasificación de CPM. Específicamente, se utilizan redes neuronales encoder-decoder U-Net para la segmentación de pelo seguidas de la aplicación de una red generativa adversaria (GAN, del inglés Generative Adversarial Network), Aggregated Contextual-Transformation-GAN (AOT-GAN) para el inpainting de imágenes.

En la tarea de segmentación de pelo, se entrenaron variantes de U-Net (Dense U-Net, Attention U-Net y Dense Attention U-Net), evaluando su rendimiento en diferentes espacios de color (RGB y YCrCb). El modelo Attention U-Net en el espacio de color YCrCb resultó ser el más efectivo, obteniendo resultados consistentes tanto en la fuente de datos CA como en AGH, donde alcanzó un 74.8% en el índice Dice. Para la eliminación de pelo, el modelo AOT-GAN mostró resultados prometedores en métricas representativas de calidad de imagen, SSIM y UQI, alcanzando un 99.1% y 100%, respectivamente. Finalmente, se evaluaron tres modelos de DL (ResNet-50, MobileNet-v2 y VGG-16) en la tarea de clasificación de CPM. Los mejores resultados en AUC-ROC, se obtuvieron con las imágenes sin pelo procesadas por nuestro método, alcanzando 87.2% en ISIC-2020, 90.9% en PH2 y 75.4% en Derm7pt.

Este TFG no solo alcanza los objetivos establecidos, sino que también obtiene resultados destacados. Contribuye significativamente al campo de la ingeniería biomédica evaluando modelos supervisados para la segmentación y eliminación de pelo en ID, lo que permite mejorar la detección de CPM y sirve como apoyo a la toma de decisiones clínicas.